迭代检索是一种用于多智能体工作流的上下文检索模式，解决子智能体在开始工作前无法预知所需代码库上下文的问题。
用途：当派生的子智能体需要无法预先预测的代码库上下文、构建上下文逐步细化的多智能体工作流、遇到“上下文过大”或“缺少上下文”失败、为代码探索设计类 RAG 检索管线，或优化智能体编排中的 token 用量时启用。
主要能力：采用四阶段循环逐步细化上下文。DISPATCH 阶段用高层意图发起宽泛查询，收集候选文件；EVALUATE 阶段按相关性打分（高 0.8-1.0、中 0.5-0.7、低 0.2-0.4、无 0-0.2）并识别缺失上下文；REFINE 阶段根据评估更新搜索条件，加入新发现的模式与术语、排除已确认无关路径、针对具体缺口；LOOP 阶段以细化条件重复，最多 3 个循环，当高相关性文件达到 3 个且无关键缺口时返回。
使用方式：可在智能体提示中描述该流程——先宽泛关键词搜索，评估每个文件相关性（0-1），识别仍缺失的上下文，细化条件并重复（最多 3 次），返回相关性不低于 0.7 的文件。资料给出初始查询、相关性评估、查询细化与迭代检索的代码示例，实际使用时保持原样。
适用场景：修复缺陷时定位认证令牌过期相关文件、实现功能时发现代码库使用“throttle”而非“rate limit”术语等。
限制与最佳实践：从宽泛开始逐步收窄，不要过度指定初始查询；第一轮常揭示命名约定；显式跟踪缺失内容以驱动细化；达到“足够好”即停止，3 个高相关文件优于 10 个平庸文件；果断排除低相关文件。相关资源包括 Longform Guide 的子智能体编排章节、continuous-learning 技能，以及随 ECC 捆绑的智能体定义（手动安装路径：agents/）。